论文笔记：Safe Active Learning for Multi-Output Gaussian Processes

已于 2022-04-04 22:52:22 修改
阅读量2.8k 收藏
点赞数
分类专栏： 强化学习 路径规划;算法;人工智能 论文笔记 文章标签： 经验分享
于 2022-04-04 22:41:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chauncygu/article/details/123962141
版权
这篇论文探讨了一种利用高斯回归进行安全探索的主动学习方法，特别是在多输出场景下的应用。作者提供了不确定性的边界分析和算法复杂性的评估，并通过Theorem2和Theorem3证明了算法的收敛性。附带的代码实现有助于理解和应用该方法。
摘要由CSDN通过智能技术生成

论文名称：Safe Active Learning for Multi-Output Gaussian Processes

1.论文见此链接：Link

2. 论文要点：

1）、该文章利用高斯回归去帮助实现主动学习的safety exploration, 主要从下面公式去推导得到multi-output 高斯回归，

在这里插入图片描述

2）、该文章提供了不确定bound的分析以及算法复杂性的分析：

在这里插入图片描述

2）、该文章提供了收敛性证明：

Theorem 2和Theorem 3保证了该算法的收敛性：
在这里插入图片描述
在这里插入图片描述
论文代码：Link

AndrewGSD
关注
专栏目录
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
多智能体深度强化学习：一项综述 Multi-agent deep reinforcement learning: a survey
最新发布
wq6qeg88的博客
01-11 1529
强化学习的进步在各个领域都取得了巨大的成功。尽管在这一进展中，多智能体领域已被单智能体领域所掩盖，但多智能体强化学习获得了快速的牵引力，最新的成就解决了现实世界的复杂性问题。本文概述了多智能体深度强化学习领域的当前发展。我们主要关注近年来将深度强化学习方法与多智能体场景相结合的文献。为了调查构成当代景观的作品，主要内容分为三个部分。首先，我们分析了用于训练多个智能体的训练方案的结构。其次，我们考虑了合作、竞争和混合场景中代理行为的涌现模式。
【ECCV2020】完整论文集part2
TomRen
07-18 7158
ECCV2020 接收论文完整列表 看论文学CV
【AAAI 2021】全部接受论文列表（六）
yinizhilianlove的博客
01-14 5903
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况   人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.
AAAI2021论文列表（中英对照）
dovings的博客
07-04 8275
AAAI2021论文列表（中英对照）
CVPR2022论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
CVPR2021论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
AAAI2020论文列表（中英对照）
dovings的博客
07-04 6051
AAAI2020论文列表（中英对照）
matlab集成c代码-Gaussian-Processes-for-Machine-Learning:Williams[2006年]的《用于
05-22
Matlab集成的c代码高斯过程回归和分类工具箱 版本4.2。 对于GNU Octave 3.2.x和Matlab 7.x 版权所有（C）2015-2018-Carl Edward ...f）Naish-Guzman和Holden的论文：“广义FITC近似”，NIPS，2007年
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising:Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising-matlab开发
05-31
这是论文“Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”的测试演示。 有两种模型，包括高斯去噪的特定/盲模型和高斯去噪的单一模型、单图像超分辨率（SISR）和JPEG图像去块。
华为诺亚方舟实验室实习面试
AndrewGSD的博客
12-27 3074
前言 记录一下自己遇到的实习面试经历，希望能对后来人有用。面试总共分为两轮：第一轮是项目面试，主要讲自己做的研究工作以及论文相关情况；第二轮主要是CodingTest测试； 这里主要讲讲自己的CodingTest，其实代码测试的题目和LeetCode差不多，水平差不多，题目可能不一定相同。给了我两个题目，一道是困难，一道是简单的。 一、题目说明 题目1： A为一个十进制数（以整数为例），k位，k<100。求B使得B为大于A的最小整数，且A各位的和等于B各位的和。 题目2： 给一定数量的信封，带有整数对
最长上升子序列算法（详细讲解+多个版本实现（C/C++和Python））
AndrewGSD的博客
11-18 1600
什么是最长上升子序列（LIS）问题？ 【题目描述】 给定N个数，求这N个数的最长上升子序列的长度。 【样例输入】 7 2 5 3 4 1 7 6 【样例输出】 4 什么是最长上升子序列？ 就是给你一个序列，请你在其中求出一段不断严格上升的部分，它不一定要连续。 就像这样：2,3,4,7和2,3,4,6就是序列2 5 3 4 1 7 6的两种选取方案。最长的长度是4. 更直接的描述： 首先需要设计状态，以及状态转移方程 状态转移方程的推导 状态转移方程的详细推导 C++代码实现 总结 7. .
模型学习的优化算法---笔记
AndrewGSD的博客
11-05 1260
常用的模型学习优化算法
逻辑(logistic)回归模型---笔记
AndrewGSD的博客
11-03 1246
符合如下等式要求的为逻辑回归模型的函数和密度函数（至于为啥，我也不是很清楚，可能是具有这个分布的特征，然后就取了这个名字），其实我感觉逻辑回归和高斯模型挺像的。不过根据我的经验，二项逻辑回归很适合处理二分类问题。 二分类回归模型，主要就是Y只能取两个值，也就是0或者1。 logistic分类器是由一组权值系数组成的， 最关键的问题就是如何获取这组权值， 通过极大似然函数估计获得， 并且Y~f(x;w)。 似然函数是统计模型中参数的函数。 给定输出x时， 关于参数θ的似然函数L(θ|x)（在数值上）
最大熵模型(Maximum Entropy Model)---笔记
AndrewGSD的博客
11-04 1016
最大熵模型和逻辑回归模型都是线性对数模型，一般应用在分类问题中，这两个模型都具有很好的分类能力。在我看来都是具有一个比较特殊的分布函数或者分布特征，很适合分类。其中，最大熵模型(Maximum Entropy Model)由最大熵原理推导实现。此外，最大熵原理指：学习概率模型时， 在所有可能的概率模型(分布)中， 熵最大的模型是最好的模型， 表述为在满足约束条件的模型集合中选取熵最大的模型。 假设离散随机变量X的概率分布是P(X)，熵为： 约束条件为： 其中，|X|是X的取值个数， X均匀分布时右边..
gradient-enhanced multi-output gaussian process model for simulation-bas
04-29
基于模拟的渐变增强多输出高斯过程模型是一种机器学习算法，广泛用于从模拟数据中推断多个输出变量之间的关系。它是一种有监督学习模型，通过将一组输入变量映射到一组输出变量来进行预测。 渐变增强是指该模型能够通过引入梯度信息来增强预测的准确性。这个过程可以通过在高斯过程模型中使用导数信息来实现，因为高斯过程可以通过导数来表达对输入变量的敏感性。这种方法可以提高对于非线性问题和高维数据的预测能力。 该模型的优点是能够进行多输出预测，可以针对复杂的非线性关系进行建模，并且在训练过程中可以同时考虑梯度信息和预测误差。这意味着它可以减少误差传播的风险，从而更加鲁棒。 该模型在各种应用中都有广泛的用途，例如材料设计、化学反应、气候模拟和生物学研究等。然而，它也有一些局限性，例如需要大量的模拟数据进行训练，并且容易发生过度拟合的问题。因此，在应用模型时需要小心处理这些问题。 总之，基于模拟的渐变增强多输出高斯过程模型是一种强大的机器学习算法，可用于从模拟数据中预测复杂的多输出变量之间的关系。它是一种有监督学习方法，并利用梯度信息来提高预测的准确性。该模型在各种应用中都有广泛的用途，但也需要谨慎处理以避免出现误差传播和过度拟合的问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值